慢性阻塞性肺疾病吸入性糖皮质激素适应症预测模型数据集
用于开发并验证COPD患者吸入性糖皮质激素适应症预测模型的临床表格数据集。
基本信息
资源简介
慢性阻塞性肺疾病吸入性糖皮质激素适应症预测模型数据集
【数据集背景】
本数据集源站标题为《Development and validation of a prediction model for the indication of inhaled corticosteroid (ICS) in patients with chronic obstructive pulmonary disease (COPD)》。源站首次发布：2021。
【数据内容】
源站原始描述：Chronic obstructive pulmonary disease (COPD) is the third leading cause of death worldwide. COPD is well known as a clinical syndrome characterized by chronic respiratory symptoms, structural pulmonary abnormalities, lung function impairment, or any combination of these. Inhaled drugs, including long-acting bronchodilators and steroids, are mainly used for COPD pharmacotherapy. Among them, the role of inhaled corticosteroid (ICS) for COPD patients are less known than bronchodilators. Pneumonia,…
中文译文（机器翻译，仅供快速理解，请以原文为准）：慢性阻塞性肺疾病（COPD）是全球第三大死因。COPD 是一种临床综合征，其特征为慢性呼吸道症状、肺部结构异常、肺功能损害，或这些表现的任意组合，这一点已广为人知。吸入性药物，包括长效支气管扩张剂和类固醇，主要用于 COPD 的药物治疗。其中，吸入性糖皮质激素（ICS）在 COPD 患者中的作用较支气管扩张剂更少为人所知。肺炎是 ICS 众所周知的副作用，且可能对 COPD 患者有害。因此，在给 COPD 患者处方 ICS 时，必须充分考虑其正面效应和副作用。在本研究中，我们打算建立一个模型，用于预测使用 ICS 时有望获得正面效果的 COPD 患者。通过这项研究，我们期望改善需要 ICS 的 COPD 患者的生活质量，并为其提供更好的治疗效果。
【主题与分类】
主题标签：Pulmonary。
【适用方向】
结构化表格数据可直接用于统计建模、特征工程与队列分析。
【获取与许可】
源站页面：https://search.vivli.org/doiLanding/dataRequests/00006712
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
暂未开放有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站：https://search.vivli.org/doiLanding/dataRequests/00006712
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 部分平台提供 SDK，例如：
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据加载示例（表格/文本类）
import pandas as pd, glob, os
files = (glob.glob(os.path.join(path, "**", "*.csv"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tsv"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.xlsx"), recursive=True))
print("数据文件:", files)
df = pd.read_csv(files[0])
print(df.shape); print(df.columns.tolist()); print(df.head(3))
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
